مجله علمی

---

چکیده مقدمه: تشخیص زودهنگام سرطان پستان نقش بسیار کلیدی در درمان و حیات بیمار ایفا می‌کند. امروزه با استفاده از خصوصیات استخراج شده از آزمایش آسپیراسیون سوزنی و الگوریتم‌های داده‌کاوی می‌توان روش‌های نوین و هوشمندی در نظام سلامت و درمان ارایه داد که با دقت بالایی قادر به تشخیص سرطان پستان باشند، هدف از انجام این مطالعه تشخیص سرطان پستان با استفاده از کاهش دو مرحله‌ای ویژگی‌های استخراج شده آسپیراسیون سوزنی و الگوریتم‌های داده‌کاوی است. روش بررسی: در این مطالعه از داده‌های پایگاه داده WDBC موجود در UCI استفاده شد. این پایگاه شامل ۵۶۹ نمونه خوش‌خیم و بدخیم توده پستان با ۳۱ ویژگی است که ویژگی اول شماره شناسه پرونده بیمار و بقیه‌ی ویژگی‌ها نتایج کمی آزمایش آسپیراسیون سوزنی برای هر نمونه است. در این تحقیق، برای افزایش کارایی سیستم‌های تشخیص سرطان پستان روش کاهش ویژگی دو مرحله‌ای پیشنهاد شد و عملکرد روش‌های درخت تصمیم J۴۸، بیزین ساده، طبقه‌بندی‌کننده درجه دوم، ماشین بردار پشتیبان و روش k نزدیکترین همسایه بر روی ویژگی‌های کاهش یافته مورد بررسی قرار گرفت. یافته‌ها: بررسی‌های صورت گرفته نشان دادند که کاهش ویژگی دو مرحله‌ای موجب افزایش دقت الگوریتم‌های داده‌کاوی در تشخیص سرطان پستان می‌شود. دقت مدل ایجاد شده با استفاده از کاهش ویژگی دو مرحله‌ای مبتنی بر ضریب همبستگی و الگوریتمPCA در روش نزدیکترین همسایه براساس فاصله اقلیدسی۵۴/۹۷% می‌باشد که نسبت به سایر روش‌ها دارای بالاترین دقت است. نتیجه‌گیری: نتایج این مطالعه نشان داد که با استفاده از الگوریتم‌های داده‌کاوی و کاهش ویژگی دو مرحله‌ای مبتنی بر انتخاب ویژگی و استخراج ویژگی می‌توان با دقت بالایی سرطان پستان را تشخیص داد. در واقع با استفاده از این روش‌ها می‌توان سیستم‌های نوینی برای کمک به پزشکان طراحی نمود که موجب تسهیل در فرآیندهای تشخیصی و درمانی شوند.

---

چکیده مقدمه: آزمایش آسپیراسیون سوزنی روشی کم هزینه، آسان و سریع برای تشخیص دقیق و زود هنگام سرطان پستان است. با استفاده از خصوصیات استخراج شده از آزمایش آسپیراسیون سوزنی و با کمک تکنیک‌های یادگیری ماشین می‌توان سیستمی کارآمد را برای تشخیص سرطان پستان طراحی نمود که با دقت بالایی خوش‌خیم یا بدخیم بودن تومورهای پستان را تشخیص دهند. هدف از انجام این مطالعه، انتخاب ویژگی‌های موثر در تشخیص سرطان پستان با استفاده از مدل‌های پارامتریک یادگیری ماشین است. روش بررسی: در این مطالعه از داده‌های پایگاه داده WBCD موجود در UCI که شامل ۶۸۳ نمونه خوش‌خیم و بدخیم تومور پستان که هر نمونه دارای ۹ ویژگی است استفاده شد. سپس انتخاب ویژگی با روش پیش‌رو ‌و دسته‌بندی نوع تومور با انواع روش‏های پارامتریک مانند دسته‌بندی درجه دو، دسته‌بندی خطی و دسته‌بندی‌ نزدیک‏ترین میانگین انجام گرفت. یافته‌ها: روش پارامتریک دسته‌بندی‌ درجه دو با استفاده از انتخاب ویژگی پیش‌رو، بالاترین کارایی را در تشخیص سرطان پستان دارد. این روش با انتخاب چهار ویژگیUniformity of cell size, Bare nuclei, Bland chromatin, Mitoses دارای دقت ۹۰/۹۸% و حساسیت ۸۹/۹۷% است. همچنین در همه روش‌ها ویژگی‌های Uniformity of cell size و Bare nuclei بالاترین کارایی را دارند. نتیجه‌گیری: نتایج این مطالعه نشان داد که با روش انتخاب ویژگی پیش‌رو و تکنیک‌های پارامتریک یادگیری ماشین، علاوه بر دست‌یابی به عملکرد بالا در تشخیص سرطان پستان، عوامل و ویژگی‌های اصلی در تشخیص سرطان پستان نیز شناسایی می‌شوند. به نظر می‌رسد این ویژگی‌ها یکی از مهم‏ترین عوامل برای کمک به تشخیص سرطان پستان هستند.

---

مقدمه: سرطان پستان یکی از شایع­ترین علت مرگ و میر در زنان محسوب می­شود. پیش­بینی صحیح سرطان پستان دارای اهمیت است. وجود علایم و ویژگی­های مختلف این بیماری، تشخیص را برای پزشکان دشوار می­کند. داده­کاوی امکان تحلیل داده‏های بالینی بیماران برای تصمیم­گیری­های پزشکی را فراهم می­کند. هدف این مقاله، ارایه یک مدل برای افزایش دقت پیش‏بینی سرطان پستان است.

روش بررسی: در این مطالعه، پرونده پزشکی ۵۷۴ بیمار مبتلا به سرطان پستان با تعداد ۳۲ ویژگی مورد بررسی قرار گرفته است. اطلاعات بیماران از پایگاه داده استاندارد بیمارستان فوق تخصصی مرتاض یزد جمع­آوری شده ­است. هر یک از بیماران حداقل به مدت یک سال تحت پیگیری بوده­اند. به منظور ارایه مدل پیش­بینی سرطان پستان از الگوریتم ژنتیک و داده­کاوی استفاده می­شود.

یافته­ها: مدل پیشنهادی با روش­های درخت تصمیم­گیری، نایو بیز و نزدیک­ترین همسایه مورد مقایسه قرار گرفت. نتایج نشان می­دهد که دقت پیش­بینی مدل ­پیشنهادی برابر با ۹۷۳/۰ بوده ­است. همچنین برای روش­های نایو بیز، درخت تصمیم­گیری و  نزدیک­ترین همسایه دقت پیش­بینی به ترتیب برابر با ۹۱۳/۰، ۹۲۹/۰ و ۹۵۱/۰ می­باشد.

نتیجه­گیری: در پیش­بینی سرطان پستان، مدل پیشنهادی نسبت به سایر مدل­های مورد مقایسه دارای حداقل میزان خطا و بیش‏ترین دقت و صحت ­است. روش نایو بیز، حداکثر میزان خطا و کم­ترین دقت را دارا می­باشد.

---

چکیده

مقدمه: سرطان پستان به‏رغم انتشار گسترده، به کمک تصاویر ماموگرافی و علایم بالینی بیمار قابل شناسایی به موقع و معالجه قطعی است. حذف اختلال­های ناخواسته نظیر نویزها و بهبود کیفیت تصاویر ماموگرافی، در افزایش دقت تشخیص سرطان موثر می­باشد. نویزهای ضربه در تصاویر ماموگرافی دیجیتال به گونه­ای است که در آن اختلاف شدت پیکسل نویزی با پیکسل‌های اطراف زیاد است. وجود علایم و ویژگی­های مختلف این بیماری، تشخیص را برای پزشکان دشوار می­کند. پردازش تصاویر ماموگرافی امکان تحلیل وضعیت بیماران برای تصمیم­گیری­های پزشکی را فراهم می­کند. هدف این مقاله، ارایه یک مدل برای حذف نویز ضربه از تصاویر ماموگرافی به منظور افزایش دقت پیش­بینی سرطان پستان است.

روش بررسی: در این مطالعه، تصاویر ماموگرافی ۵۷۴ بیمار مبتلا به سرطان پستان مورد بررسی قرار گرفته است. اطلاعات بیماران از پایگاه داده بیمارستان فوق تخصصی مرتاض یزد جمع­آوری شده ­است. به منظور ارایه مدل برای حذف نویز ضربه از تصاویر ماموگرافی از الگوریتم GBC و شبکه عصبی MLP استفاده می­شود.

یافته­ها: مدل پیشنهادی با روش­هایی از قبیل MDBUTMF و ATSM مورد مقایسه قرار گرفت. نتایج شبیه­سازی برتری دقت تشخیص و حذف نویز ضربه از تصاویر ماموگرافی مدل ­پیشنهادی نسبت به سایر روش­ها را نشان می­دهد. همچنین PSNR تصویر به طور متوسط dB۲ افزایش می­یابد.

نتیجه­گیری: در حذف نویز ضربه به منظور پیش­بینی سرطان پستان، مدل پیشنهادی نسبت به سایر مدل­های مورد مقایسه دارای حداقل میزان خطا و بیش­ترین دقت و صحت ­است. روش ATSM، حداکثر میزان خطا و کم­ترین دقت را دارا می­باشد.